analysys_meat_consumption_lung_cancer_deaths_罗马尼亚 该实验试图确定罗马尼亚在过去28年中的人均肉食消耗量与肺癌死亡人数之间是否可以建立相关性。 输入包括两个数据集，一个数据集涉及癌症死亡的类型，一个数据集涉及人均每种类别的肉类消费量（家禽，猪肉等）。 输出包括一个新创建的数据集，该数据集基于输入数据中的已处理数据，并具有两个可视化视图，可以帮助我们检查相关性是否存在，并进行解释。

Breast-Cancer-Scikitlearn：使用Scikitlearn进行机器学习的简单教程

matlab分水岭算法源代码肺癌检测 使用MATLAB中的图像处理算法检测肺癌 该项目使用MATLAB来实现图像处理算法。 图像处理工具箱在项目中经常使用。 分割算法的使用基于：。 该项目的目的是提出一种系统，该系统可以使用CT扫描图像定位可能是肺癌的前瞻性区域或结节。 在每个患者文件夹中，CT扫描图像的命名如下： pX_img1.dcm pX_img2.dcm ... 伴随每次CT扫描，我们都有基本道理： pX_seg1.dcm pX_seg2.dcm 其中X是患者编号。 这些地面真相图像是相应CT扫描图像的正确肺癌结节。 建议您将所有这些图像以及每个分段阶段的源代码放在一个文件夹中，以便可以一起运行所有内容。 如果您只对运行某些文件感兴趣，请将相应的文件和图像放在一起。 例如，仅在第一张图像上运行分水岭算法，请确保：图像：p1_img1.dcm，p1_seg1.cdm和源代码：p1_img1watershed.mlx函数：noduleExtraction.m，lungeExtraction.m，falseTruePositives.m和markcontrwatershed.m文件在

乳腺癌 sklearn乳腺癌数据集的机器学习练习

datamicroarray：小样本，高维微阵列数据集的集合，用于评估机器学习算法和模型

癌症预测 使用机器学习进行乳腺癌预测 使用的算法和精度： 算法精度 Logistic Regression Method 0.982456 Decision Tree Classifier Method 0.941520 Random Forest Classifier Method 0.947368 Support Vector Classifier Method 0.970760

使用机器学习进行乳腺癌预测 问题识别： 乳腺癌是女性中最常见的恶性肿瘤，占美国女性确诊的癌症的三分之一，并且是女性癌症死亡的第二大主要原因。 乳腺癌是由于乳房组织中细胞异常生长（通常称为肿瘤）而导致的。 肿瘤并不意味着癌症-肿瘤可以是良性（非癌性），恶性前（癌性前）或恶性（癌性）。 诸如MRI，乳房X线照片，超声和活检的检查通常用于诊断所进行的乳腺癌。 目标： 目的是对乳腺癌患者被诊断为良性还是恶性进行分类。 为此，我们使用了机器学习分类方法来拟合可以预测新患者分类的功能。 入门 该项目分为以下步骤： 导入库和数据 数据预处理 数据可视化 建筑模型 导入库和数据集： 1.1）图书馆：二手熊猫，NumPy，Matplotlib，Seaborn和Sklearn图书馆 1.2）数据集：乳腺癌数据集是由加利福尼亚大学欧文分校维护的机器学习存储库。 该数据集包含569个恶性和良性肿瘤细胞

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

breast-cancer-train.csv

Breast-Cancer-Prediction:在人工智能学术课程中使用监督学习决策树算法进行乳腺癌预防